现代数据驱动系统在底层数据分布随时间变化的环境中运行。这些非平稳条件出现在能源市场、金融系统、在线服务和大规模网络物理基础设施等领域。经典的统计学习假设数据分布是平稳的。在概念漂移下，这一假设失效，模型性能下降。许多自适应技术通过滑动窗口、指数遗忘或漂移检测来解决这一挑战。这些策略通常依赖于启发式更新规则，而不是明确的统计公式。本研究介绍了一种基于衰减记忆算子的自适应统计学习的数学基础框架。该方法将时间记忆直接嵌入经验风险函数中。记忆衰减成为学习目标的一部分，而不是一个外部算法机制。这一公式将滑动窗口估计、指数遗忘和自适应重加权统一在一个分析结构内。在有界损失和有界漂移假设下进行了理论分析。该分析提供了在不断变化的环境中，收敛行为和过剩风险的可解释保证。结果表明，衰减参数控制了稳定性与响应性之间的平衡。实验评估使用了合成漂移基准和包含四万五千多个观测值的真实电力需求数据集。结果显示与静态经验风险最小化和滑动窗口基线相比，预测准确性有所提高，适应性更平滑。敏感度分析进一步说明了衰减参数对学习动态的影响。所提框架为在非平稳数据环境中的自适应统计学习提供了一个有原则的基础。通过明确建模时间记忆，该方法提高了可解释性、理论清晰度和在流处理分析应用中的实用稳健性.
穆罕默德·马兹洛姆·萨利姆（周五）研究了这个问题.